I251 – Neuroinformationsverarbeitung
Neural Computing
Version: 2
PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de
PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de
Deutsch
5.00 Credits
150 Stunden
4.00 SWS (2.00 SWS Vorlesung | 1.00 SWS Übung | 1.00 SWS Praktikum)
90.00 Stunden
Schriftliche Prüfungsleistung
Prüfungsdauer: 90 min | Wichtung: 100 %
2/1/1 V/Ü/P
Tafelskript, Online-Tutorials, Online-Simulatoren, begleitende Foliensätze und Literatur zum Selbsstudium
- Biologisches Neuron und dessen wesentliche Funktionen
- Modell des formalen, statischen Neurons
- Assoziativspeicher - Wiederholung lineare Algebra
- Überwachte Lernverfahren
- Lineare Separierung und Perceptron-Modell
- Multilayer-Perceptron, Error-Backpropagation-Algorithmus und Erweiterungen
- Radial-Basis-Functions(RBF)-Netze
- Zusammenhang von Problem- Modellkomplexität, Verfahren zur Topologieoptimierung
- Grundkonzepte des Deep Learning
- Unüberwachte/Semi-unüberwachte Lernverfahren
- Learning Vector Quantization
- Self-Organizing Maps - Kohonen-Netzwerke
- Neural-Gas-Netzwerk
- Grundlagen des Reinforcement Learning
- Ethische Aspekte
Die Teilnehmer:innen des Moduls
- kennen die theoretischen Grundlagen der neuronalen Informationsverarbeitung und Wissensrepräsentation,
- verstehen die Konzepte des überwachten, des nicht- bzw. semiüberwachten Lernens/Trainings und des Reinforcement Learnings und können die dazugehörigen Algorithmen und deren Vor- und Nachteile erklären,
- sind in der Lage, vorliegende Problemstellungen (Klassifikation, Regression) zu analysieren und auf geeignete neuronale Verfahren abzubilden,
- sind in der Lage, neuronale Modellkonzepte zur Problemlösung zu entwickeln und miteinander zu kombinieren,
- können die mittels neuronaler Modelle erzielten Ergebnisse bewerten und kritisch reflektieren,
- sind in der Lage, (neuro)informatische Aspekte in gesellschaftlich relevanten Ereignissen zu analysieren und zu bewerten,
- erkennen und bewerten Herausforderungen der Berufsethik in der Arbeit von Informatikerinnen und Informatikern, können berufsethische Dilemmata identifizieren und analysieren und verstehen die gesellschaftliche Verantwortung von Informatik und deren Anwendungen.
Die Teilnehmer:innen des Moduls
- Anwendungsszenarien der KI, insbesondere beim Einsatz von neuronalen Modellen, hinsichtlich ethischer, sozialer und rechtlicher Implikationen zu bewerten und
- können diese Implikationen artikulieren und im Team diskutieren.
Keine
Keine
Modul I-833 Deep Learning im Masterstudiengang Angewandte Informatik
David Kriesel: Ein kleiner Überblick über Neuronale Netze
- https://www.dkriesel.com/science/neural_networks
- Foliensatz zur Lehrveranstaltung
- elektronisch verfügbares Tafelmanuskript
- Übungsaufgaben mit ausführlich erklärten Lösungen
- Simulationssoftware für die Praktika